Японские ученые научили нейросеть почти мгновенно прогнозировать землетрясения

Опубликовано: Понедельник, 15 октября 2018 10:57

Исследователи из Токийского университета применили методы машинного обучения для получения быстрых и точных оценок локальных геомагнитных полей с использованием данных, полученных из нескольких точек, что потенциально позволяет выявлять изменения, вызванные землетрясениями и цунами.

Об этом пишет "EurekAlert!".

Модель глубокой нейронной сети (DNN) была разработана и обучена с использованием существующих данных; результатом является быстрый, эффективный метод оценки магнитных полей для раннего и точного обнаружения локации стихийных бедствий. Это жизненно важно для разработки эффективных систем предупреждения, которые могли бы помочь снизить количество жертв и материальный ущерб.

Известно, что землетрясения и цунами сопровождаются локальными изменениями в геомагнитном поле. Для землетрясений характерен пьезомагнитный эффект - возникновение намагниченности под действием внешнего давления; для цунами это внезапное, массивное движение моря, что вызывает изменения атмосферного давления. Это, в свою очередь, влияет на ионосферу, впоследствии меняя геомагнитное поле. Основным преимуществом такого подхода является скорость; помня, что электромагнитные волны движутся со скоростью света, мы можем мгновенно обнаружить частоту события, наблюдая изменения геомагнитного поля.

Так, сейсмологи загрузили в нейросесть данные о наблюдениях за историческими изменением магнитного поля в нескольких сотнях точек на территории Японии. В результате им удалось создать искусственный интеллект, который с точностью, близкой к 100 %, может предсказать изменения, вызванные стихийным бедствием.

  • Ранее сообщалось, что ученые из Соединенных Штатов Америки разработали алгоритм, который способен с помощью анализа ДНК предсказать рост, плотность костей и уровень образования человека.
  • Ученые из Массачусетского технологического института (MIT) разработали систему машинного обучения, которая может идентифицировать объекты на основе их описания.